基于小波变换的电液伺服算法

《基于小波变换的电液伺服算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于小波变换的电液伺服试验多变量系统神经网络控制刘一江吴建新易理刚(湖南大学省重点实验室结构损伤诊断中心，410082长沙)摘要：针对电液伺服试验系统的复杂非线性和不确定性特性，提出一种基于小波变换的“主控制器”结合“参征器”的复合控制策略，并用于电液伺服试验系统的多变量控制。主控制器由一个包含ＰＩＤ控制规则的神经网络构成，在整个系统控制中起着主导作用；“参征器”的作用是抑制干扰,保证系统响应的快速性。仿真结果证明，该方法具有良好的自学习和自适应解耦控制性能，能有效地提高系统的稳态精度，使系统具有较强鲁棒性，并具有响应速度快、超调量小等特点。关键词：

2、小波变换;系统辨识；电液伺服多变量系统;PID神经元网络控制;补偿控制中图分类号：TP271文献标识号：A1引言由于多变量系统内部的耦合作用以及参数的复杂性，使其控制问题成为控制理论和控制工程研究的重点和难点问题。将应用最广泛的PID控制器和具有学习功能的神经元网络相结合，是智能控[1-2]制研究的一个新的着眼点，已有不少研究成果。但目前的研究仅局限于采用神经元网络辅助选取[3]或修改传统PID控制器的P、I、D参数，且仅局限于单变量控制系统。文献[3]所提出的PID神经元网络方法，将PID控制规律融进神经网络之中，并可用于多变量系统的解耦控制。但该

3、方法存在一定的局限性，其一，它没有方向判别元件；其二，它没有考虑控制启动、控制对象或方式改变、干扰等因素对系统控制的影响。而这些系统控制状态特征的提取，都有赖于基于控制的系统辨识。小波分析作为一种新颖的信号分析方法，能够将含有多种频率成份的被分析信号按一定的时间和频率进行分解并逐步求精，具有近乎完善的双重局部化性质并能有效地刻划信号突变并抑制噪声[4][5]，它对于基于控制的系统辨识，具有重要作用。本文在文献[3]的基础上，提出了一种基于小波变换的“主控制器”结合“参征器”的控制方法。该方法利用控制过程中被控对象反馈信号小波变换所表现出来的信号特征，

4、利用人工神经网络结合PID控制规律进行有效的融合，使之对各个变量受控状态特征给出正确的识别，对控制进行正确的输入给定与定位。在一定程度上避免了常规方法的缺点，克服了多变量系统内部的多闭环之间的互扰以及控制启动、控制方式或对象改变、外部干扰对系统控制的影响，减少了系统的控制调节时间，具有良好的稳定性、较强鲁棒性和自适应能力。2过程控制信号的小波检测[4]小波变换的模局部极大值，对应于平滑后信号的拐点，它对于检测过程控制中信号的边沿和信号的奇异性具有重要意义，利用小波变换的模局部极大值及其跨尺度传递，可准确地确定突变点[6]的位置。选取Daubenchi

5、es6阶小波为小波基函数，采用Mallat小波快速分解和重构算法。选取小波变换的模局部极大值检测多闭环之间互扰影响，控制启动、干扰和控制对象或方式改变时的系统各个变量状态特征。由于噪声的模极大值随着分解尺度的增加而衰减，所以经过适当的尺度分解后，再采取适当的阀值以消除噪声的[6]影响。同时，充分利用信号分解和重构基础上获得的不同频带辨识数据中包含的信息，根据控制系统设计对不[5]同频段的要求相应地进行加权，从而把控制的要求反映到系统的建模中去。信号的检测算法按以下进行：信号的小波6尺度分解搜索小波变换的模极大值信噪分离信号重构加权处理输出反馈信号的模

6、值、尺度上模局部极值矢量。3基于小波变换的“主控器”结合“参征器”的多变量控制系统结构及算法3．1输入特征量提取根据实测试验波形及计算结果，某变量在正常控制过程与受到外部干扰、发生控制对象、方式改变，或是处于控制启动的低速滞滑爬行等情况，不仅该变量输出反馈信号小波变换模值、尺度3至尺度6上的模局部极值矢量有所不同，而且与之相联系的其它非控变量反馈信号模值、尺度3～尺度6上小波变换的模局部极值也各不相同。从尽可能简化网络的角度考虑，选取输入给定、输出反馈信号小波变换模值、尺度3至尺度6上的模局部极值矢量等作为系统每个变量对应子网络输入层所提取的特征量，

7、并将其转换为标么值“0~1”，作为对应子网络输入层节点值。作者：刘一江，男，５５年生，教授，发表论文多篇。3．2控制系统的结构形式和计算方法[7]由于一个三层神经网络就具有任意逼近能力。因此，本文采用三层神经网络。控制系统的结构如图1所示。它由主控制器、信号预处理器和参征器组成。主控器由多个并列子网络组成，如果检测系统有n个被控变量，子网络就有n个。每个子网络由一个三层PID神经元网络构成，其各层神经元个数、连接方式、连接权初值以及控制参数的调整是基于被控过程的反馈信号小波变换结果，根据所提取的网络输入特征量信息，结合PID控制规律的基本原则和已有经

8、验确定的。子网络的输入层至隐层是相互独立的，每个子网的输入层有6个神经元，分别输入系统一个变量的给定值输出反